🏆 本周 GitHub 榜 · 7-05 那周 本周开源圈最火的方向：AI 安全渗透测试工具持续霸榜，AI 视频制作、代码智能与智能投资研究框架密集爆发。 新项目方面，iOS 位置模拟工具和 CS 求职复习合集意外走红。 --- 🌱 本周新星（刚冒头的） No.1 Krishnagangwal/CS-Fundamentals ⭐1609 · 无语言 是什么：面试求职向计算机基础知识点合集，涵盖数据结构、网络、数据库、操作系统、系统设计。 亮点：一天之内冲上 1600+ star，纯粹靠面试刚需自然传播，说明"校招神器"类资源永远有市场。 普通人能咋用：正在刷题找工作的话，直接当 Cheat Sheet 翻一遍，比散着找资料快很多。 链接： No.2 yynxxxxx/Codex-5.5-codex-instruct-5.5 ⭐1403 · Python 是什么：OpenAI Codex 5.5 的推理/指令模型相关开源实现或封装（描述为空，推测是模型权重适配或推理脚本）。 亮点：Codex 5.5 发布后社区立刻跟进，1400+ star 说明大家对新一代编程模型的热情。 普通人能咋用：如果你是 AI 开发者，可以拉下来跑 Codex 5.5 的本地推理或微调实验。 链接： No.3 mekos2772/ios-location-spoofer ⭐1309 · JavaScript 是什么：无需越狱的 iOS 独立 GPS 位置模拟 App，附带 Shadowrocket/Surge 等模块。 亮点：iOS 位置模拟一直是个刚需但门槛不低的方向，这个项目把门槛降到了"下载即用"。 普通人能咋用：玩游戏想挂虚拟定位、或测试需要模拟位置，装它就行。 链接： No.4 yynxxxxx/Codex-X ⭐261 · TypeScript 是什么：Codex Switch & Instruct 的桌面管理器，给 Codex 模型提供 GUI 操作界面。 亮点：同样是 Codex 5.5 生态的衍生品，提供桌面端体验。 普通人能咋用：如果你在用 Codex 5.5，这个桌面客户端比纯命令行友好。 链接： --- 🔥 本周爆发（老项目这周猛涨） No.1 msitarzewski/agency-agents 🔥本周+10,976 · Shell 是什么：一个"AI 代理机构"——内含从前端开发到 Reddit 运营等几十个各有专长的 AI Agent。 为什么在涨：多 Agent 协作是今年最热叙事，这个项目把"AI 团队"概念做到开箱即用，社区追捧。 普通人能咋用：想要一个帮你写文案、做设计、管社媒的 AI 团队？拉下来配个 API Key 就行。 链接： No.2 DeusData/codebase-memory-mcp 🔥本周+9,517 · C 是什么：高性能代码库智能 MCP 服务器，把整个代码库索引成知识图谱，支持 158 种语言。 为什么在涨：MCP 协议生态爆发，这个项目把代码搜索做到"毫秒级+零依赖"，开发者直呼好用。 普通人能咋用：如果你是程序员，集成到 Cursor/Claude Code 里，问"这个函数在哪"秒出答案。 链接： No.3 usestrix/strix 🔥本周+9,362 · Python 是什么：开源 AI 渗透测试工具，自动扫描 Web 应用安全漏洞。 为什么在涨：AI + 安全持续是热门，Strix 把安全测试门槛降到人人都能跑。 普通人能咋用：自己有个网站怕有漏洞？跑一遍 Strix，它能自动发现并给出修复建议。 链接： No.4 calesthio/OpenMontage 🔥本周+8,447 · Python 是什么：全球首个开源 AI 视频制作系统，12 条流水线、52 个工具、500+ Agent 技能。 为什么在涨：AI 视频生成从"生成片段"进化到"全流程制作"，这是目前开源界最完整的方案。 普通人能咋用：写个文案，AI 自动出分镜、生成画面、配音、剪辑一条龙——做短视频的福音。 链接： No.5 xbtlin/ai-berkshire 🔥本周+5,984 · Python 是什么：AI 时代的价值投资研究框架，基于巴菲特/芒格/段永平/李录的方法论 + 多 Agent 对抗分析。 为什么在涨：股市震荡期，用 AI 做基本面分析的需求猛增，这个项目把投资大师方法论代码化，很新潮。 普通人能咋用：有股票想研究基本面？让 AI Agent 按巴菲特那一套帮你分析财报、估值、护城河。 链接： --- 💡 一句话趋势点评： 本周核心关键词是"AI Agent 从玩具变工具"——安全渗透、视频制作、投资分析、代码管理，Agent 正在渗透每一个具体场景，不再只是聊天机器人。

DeepSeek 招 Agent Harness 研究员，能是世界范围内第一次招聘“Harness研究员” ● 招聘岗位：Agent Harness 研究员（实习/全职） ● 工作性质：全职 | 实习 ● 工作地点：浙江·杭州市 / 北京市 ================================ 【团队使命】 Model + Harness = Agent 我们正在把 DeepSeek 的前沿模型能力，转化为领先的 Agent 产品。这其中除模型本身以外的所有工作，都属于 Harness 的范畴。 你将加入 Harness 团队，与研究员、工程师、产品经理紧密协作，探索 Harness 领域的研究前沿，定义 DeepSeek 对 Harness 的理解。 ================================ 【主要职责】 - 前沿创新：与 Harness 团队的研究员与工程师深度沟通、紧密合作，共同定义和实现 Harness 领域基于模型能力的前沿创新，包括但不限于上下文管理、长期记忆、Subagent 与 Multi-Agent、自进化 Agent 等领域。 - 深度适配：与模型训练团队的研究员与工程师深度沟通与合作，实现模型与 Harness 的共同进化，从 Harness 的角度实现 DeepSeek 的 Harness 与模型的深度适配。 - 评测构建：提出 Harness 领域的基准测试与评测方法，构建评测基准数据和制定数据标注策略，从 Harness 的角度研究并优化 Agent 在各领域的智能水平。 - 真实迭代：以真实世界的任务作为 Harness 研究的重要反馈源，设计相关数据与实验，持续迭代 Agent 能力在真实使用场景下的表现。 - 用户优化：基于团队收集到的用户反馈，从 Harness 的角度研究并优化为最广大用户解决真实场景问题的能力。 ================================ 【任职要求】 - 科研背景：硕士学历及以上，2年以上计算机科学或相关领域的科研经验，水平过硬，眼界广阔，有科研品味；在计算机科学领域具有含金量的论文发表（特别优秀候选人可放宽学历及年限要求）。 - 独立推进：面对问题能够独立分析并提出自己的 idea，具备从 0 到 1 推动研究的能力；能够快速将想法转化为可运行的原型，具备高效的实验迭代能力。 - 全栈开发：熟练使用 AI Agent 工具进行软件开发，在软件开发领域具有极强的学习能力；能够在 AI 辅助下，在没有直接经验的领域（如语言、技术、框架等）进行研究目的的编程工作。 - 重度用户：是 Agent 产品的高强度用户，对 Agent Harness 的开发和研究有极大的热情，对模型行为有品味有判断力；深度使用过代码类及通用类 Agent 产品，并将相关产品的使用融入到自己的工作和生活中。 - 知识储备：熟悉 LLM 以及 Agent 基本机制及其技术原理（包括 LLM API、KV Cache、Agent Loop、Tool Use、Reasoning、Planning、Skills、MCP、Memory、Subagent、Multi-Agent 等）；对 Prompt Engineering、Context Engineering、Harness Engineering 等课题有深入的理解。 - 沟通能力：具备良好的中文沟通能力。 ================================ 【加分项】 - AI 领域相关科研经验，或 AI 行业的研究员任职经验。 - 拥有个人开源作品，或对开源社区有深度贡献。 - 在计算机科学领域、编程领域、或数据科学领域获得过具有含金量的比赛奖项。 - 其它超乎常人的与此工作相关的才能。

《AI Compatible 与 AI Native》 锚点： 很多人以为自己已经进入了 AI 时代，其实只是进入了“AI Compatible”时代。 最近我问了几个程序员岗位的同事： “除了 AI 帮你写代码，你的工作方式还有什么变化吗？” 答案几乎一致： “暂时没有。” 这让我突然意识到一件事。 AI 已经进入了大多数人的工作流程。 但并没有进入大多数人的工作结构。 这是两个完全不同的阶段。 什么是 AI Compatible？ AI Compatible，可以翻译成： 兼容 AI。 它的特点很简单： 工作流程保持不变。 只是把其中某一个环节换成了 AI。 例如程序员： 过去： 需求 ↓ 自己写代码 ↓ 提交 现在： 需求 ↓ AI 写代码 ↓ 提交 流程没有变化。 角色没有变化。 协作没有变化。 AI 只是变成了一个更快的编辑器。 于是： 周报还是自己写。 项目还是自己催。 聊天记录还是自己翻。 需求还是自己整理。 上下文还是自己拼。 唯一变化的是： 代码写得快了一点。 这就是 AI Compatible。 它提升的是效率。 没有改变系统。 什么是 AI Native？ AI Native，不是： AI 用得更多。 而是： 整个工作流程围绕 AI 重新设计。 工作的第一步，不再是： “AI 能帮我做什么？” 而变成： “这件事为什么一定要由人来做？” 于是整个流程开始重新拆解。 例如项目推进： 过去： 人： 翻聊天记录； 找负责人； 理解上下文； 催进度； 整理状态； 思考下一步。 现在： Agent： 自动读取聊天； 自动寻找干系人； 自动补全上下文； 自动发现阻塞； 自动推演下一步； 人只负责： 判断； 决策； 真人沟通； 承担责任。 工作的重心发生了迁移。 AI 不再是工具。 开始成为整个流程的一部分。 两者最大的区别 AI Compatible： 旧流程 ↓ AI 替代一个动作 ↓ 继续旧流程 AI Native： 重新设计流程 ↓ 重新划分人与 AI 的边界 ↓ 形成新的协作方式 很多公司今天喊着： AI First。 Agent。 智能工作流。 但实际上仍然停留在 AI Compatible。 他们只是： 让 AI 写代码。 让 AI 写周报。 让 AI 总结会议。 然后继续按照过去十几年的流程工作。 于是： 一周一个版本。 层层审批。 大量周报。 大量日报。 大量等待。 AI 写的是新时代的代码。 跑的却是旧时代的流程。 真正的变化发生在哪里？ 很多人认为： AI 最重要的是模型越来越聪明。 我反而觉得： 真正的变化在于： 组织开始重新定义“人应该做什么”。 未来的人类工作，不会因为 AI 消失。 但会不断收缩。 收缩到那些 AI 难以承担的部分。 例如： 判断。 责任。 价值取舍。 建立信任。 而那些： 重复。 查找。 同步。 整理。 跟进。 提醒。 越来越会交给 Agent。 AI Native 的标志 真正进入 AI Native 的组织，不会先问： “代码生成率是多少？” 而会问： “从发现问题，到改变现实，需要多久？” 因为 AI Native 的目标，不是写更多代码。 不是生成更多报告。 不是做更多网页。 而是： 缩短反馈周期。 减少组织摩擦。 让状态自动流动。 让上下文自动连接。 让人只做真正属于人的事情。 最后的分水岭 未来几年，组织会逐渐分成两类。 一类： 用 AI 做昨天的工作。 另一类： 用 AI 创造昨天根本不存在的工作方式。 前者，会获得几十个百分点的效率提升。 后者，会重新定义整个工作的形态。 AI Compatible，让昨天跑得更快。 AI Native，让昨天成为历史。

推荐这篇文章，作者在 Google 和 Microsoft 都写过设计文档，他把设计文档的每个部分拆解到极其具体——每节都有示例、反例和"你需要回答什么问题"。如果你们团队的设计文档写得稀烂，这篇直接拿来当模板。 怎么写一份有效的软件设计文档 一份好的设计文档可以省下你数年的开发时间。写设计文档迫使你在浪费时间在错误实现上之前，先想清楚重要的决策。它也是协调团队和合作团队之间设计决策的最佳方式。 下面是我创建有效设计文档的方法，以及什么属于设计文档，什么不属于。 什么时候应该写设计文档 项目越复杂或风险越大，写设计文档的价值就越大。问这些问题： • 会有多人协调工作来实现这个设计吗？ • 项目会超过三个月的全职开发工作吗？ • 实现会在生产环境中跑几年吗？ • 项目涉及跨团队协作吗？ • 项目的目标和需求模糊吗？ • 存在设计时可以预防的灾难性风险（比如安全漏洞、法律风险）吗？ 如果对任何一个问题回答"是"，可能值得写。对两个以上，"几乎一定"值得。 设计文档中应该投入多少 设计文档可以是简单的一页纸，也可以是 50 页需要五个不同团队签字的文档。没有通用规则规定你应该在设计文档上花多长时间，就像没有规则规定代码应该测多少。正确的投入取决于团队的目标、风险、截止时间和文化。有时候，正确的投入是零。 什么属于设计文档 一个简单的经验法则：如果我在这件事上错了，代价是什么？ 不是所有设计决策同等重要。有些选择比其他选择灵活得多。如果你用 C++ 写了一个 web 应用，20 万行后发现 Ruby on Rails 才是更好的选择，你卡住了。另一些设计决策微不足道：比如一个"加载更多"按钮，如果你选错了，用户反馈几小时就能修复。你不会因为这件事在文档里写满你的思考过程，更不该浪费审查周期争论它。 设计文档的组成部分 标题 人们会在对话中用标题来指代你的项目，所以要有这些品质：简短（容易口头说出）、独特（让人清楚指的是哪个项目）、有画面感（概念上代表你的项目）。好名字：RecencyBank。坏名字："飞天银马计划"。 元数据 作者（名字 + 邮箱）、创建日期、权威 URL。尤其当你们组织用短链接重定向如 http://go/recency-bank。 目标 一句话解释项目的 purpose，应该在文档第一页用任何干系人都能理解的平实语言出现。"通过在 Trogdor web 服务器和 Postgres 数据库之间增加缓存层来提高应用性能。" 背景 回答：团队为什么接这个项目？解决什么问题？之前有尝试解决吗？如果有相关文档，链接它们——项目测试计划、相关系统的设计文档、项目先前迭代的设计文档。 关键检查：你的设计文档在没有外部上下文的情况下能读懂吗？ 目标 描述项目的高层目标，从背景部分逻辑连接过来，解释实现完成后世界是什么样子。避免用实现细节来设定目标——目标应该表达项目对用户、团队或公司的好处。 ❌ "将 Kubernetes 添加到我们的基础设施。" ✅ "最大限度地减少与部署新应用版本相关的中断。" 非目标 如果有些目标读者可能误以为在范围内的，明确写在非目标里。"创建一个通用、可复用的缓存系统——范围外。""位置感知缓存——范围外。" 场景 如果你的目标是"给图表加一个分享为 URL 的按钮"，读者可能不理解实际是什么样子。场景部分允许你描绘一幅画面：Bob 创建自定义报告 → 点击菜单栏的分享 → 邮件链接给 Charlie → Charlie 看到只读模式下的完全相同的报告。 图表 图表极有价值，尽管可能看起来不那么明显。作为设计作者，你直观理解各部分如何拼在一起。你的审查者没有这个心理图景。最快让他们看到它的方法就是画出来。 考虑：数据如何流经你的系统？不同组件如何拼在一起？系统如何与依赖和下游客户端交互？定义了哪些通信协议？ 选一个方便编辑的图表工具——Excalidraw、 Drawings。作者见过开发者画漂亮的白板图然后拍照放进文档，但第一稿很惊艳之后永远困在那张图上因为他们不能编辑照片。 术语表 定义读者可能不认识的术语。仔细想一下文档的潜在读者——特别是新成员和团队之外的人。最好的方案是使用可识别的术语，或在行内定义，这样读者不必在文档里跳来跳去。 约束 如果有重大约束——预算、客户端、基础设施或依赖——解释这些约束，让读者理解设计选择的背景。"我们的服务器全是 RISC-V，所有代码和依赖必须在 RISC-V 架构上运行。" 服务水平目标（SLO） SLO 是服务向客户端或用户提供的可衡量目标。在公司内部通常不会因为错误而惩罚同事（虽然那会有点好玩），所以设计文档定义 SLO 而非 SLA。 典型考虑：正常运行时间 / 可用性、延迟、规模。好的 SLO 防止模糊——"50% 用户面 HTTP 请求延迟 <=200ms"，不是"在移动设备上性能好"。 监控 / 告警 如果你的服务挂了，你怎么知道？如果性能慢了 100 倍，你怎么知道？什么事件应该触发告警？"Trogdor 的 95% 用户面 HTTP 请求延迟 >= 3s——通知值班工程师。" 时间线 将项目分解为里程碑，指定干系人什么时候收到交付物。选择创造有用制品的里程碑。比如先做一个显示假数据的 UI 给客户看——假数据让你在错误理解需求时能尽早发现，而不是已经实现了所有后端管线再用生产数据填充 UI 后才发现。 接口 你的项目存在是为了服务人或其他软件系统，这些交互长什么样？图形系统的 UI（只需简单草图）、软件接口的 API 或 CLI 语义、文件接口的文件格式。用具体的代码示例说明接口的变化：type Server struct { db PostgresDB } → type Server struct { db } 依赖 / 基础设施 用什么编程语言？代码跑在什么硬件或服务上？持久数据存在哪里？深入思考哪些依赖在实现后难以改变——换语言或存储后端很难，但换第三方发邮件服务一个下午的事。 安全 考虑了哪些威胁？攻击面是什么？信任边界在哪里？即使认为安全威胁不太可能或无关，文档化你的推理仍然有助于提示审查者找出你忽略的威胁。 隐私 系统处理什么敏感数据？保留多久？谁可以访问？如何保护它？ 法律考虑 如果在金融或医疗等高度监管领域——如何遵守相关法律。即使不在监管领域：如果事情出错系统是否可能违法？如何避免？如果开源，定义选什么许可和为什么。 日志 关键事件是什么？有不同日志级别吗？日志存在哪？保留多久？谁可以访问？有没有敏感数据必须排除出日志？ 开放问题 文档化你的待解决问题：问题需要更多工作的是什么？看到什么选项能解决？下一步是什么？ "选择缓存 RAM 大小：加 RAM 提高性能但贵且有收益递减。理论上可以设置测试环境跑模拟来发现最优值，但那些模拟要花 3 天开发时间。建议方案：选 128GB 不测试，可能接近最优，开发时间显著比 RAM 贵。下一步：问技术主管。" 已解决问题 解决开放问题后，总结决策，从开放问题移到已解决问题，保留完整讨论以备后查。 已考虑的替代方案 如果预料读者会问"为什么没选 X"，主动回答。简要几行描述强力替代方案及为什么不行。不用在文档里耗费数小时写每个被拒方案的详尽理由。 驱动你的设计文档通过审查 完成设计文档后，下一阶段是和团队分享并收集反馈。（作者有一篇后续文章讲如何获得有意义的反馈。） 原文：Michael Lynch, "How to Write an Effective Software Design Document", Refactoring English, 2026-06-24 #软件工程# #设计文档# #工程实践#

AI圈这两天消息太炸了，十个事件一句话总结： 1. OpenAI 发布 GPT-5.6： OpenAI 正式推出新一代旗舰模型 GPT-5.6（Sol/Terra/Luna），强化推理、代码、AI Agent 和复杂知识工作能力，AI 从聊天助手正式迈向“任务执行者” 2. OpenAI 推出 ChatGPT Work： ChatGPT 开始融合 Codex、文件处理、自动化办公和工具调用能力，目标是成为企业级 AI 工作入口。 3. GPT-5.6 引发 AI Agent 竞争升级： 新一代模型重点不再只是回答问题，而是自主规划、多步骤执行、调用工具完成真实工作。 4. Anthropic 加速反击 OpenAI： Claude 系列继续强化企业协作和 Agent 能力，OpenAI 与 Anthropic 的竞争进入“AI 办公入口争夺战”。 5. xAI 发布 Grok 新版本挑战 GPT： 马斯克旗下 xAI 持续升级 Grok，试图在推理、代码和实时信息能力上争夺第一梯队位置。 6. Meta 加码 AI 芯片和基础设施： Meta 推进自研 AI 芯片和算力建设，希望降低对英伟达 GPU 供应链的依赖。印度新闻网 7. 字节 Seedream 等国产模型持续升级： 国内 AI 公司继续在图像生成、多模态和内容生产领域追赶全球头部模型。 8. 英伟达继续成为 AI 基础设施核心： 随着 GPT-5.6 等顶级模型竞争升级，AI 算力需求继续推动 GPU、数据中心产业高速发展。 9. AI 从模型战争进入生态战争： 未来竞争焦点从“谁参数最大”转向“谁拥有用户入口、Agent生态和商业落地能力”。 10. AI 正进入生产力替代阶段： 办公、编程、设计、研究等领域开始出现 AI 深度参与甚至自主完成任务的新模式。

《为什么人们对 AI 的最大想象，依然低估了它？》 现在很多人已经意识到 AI 不普通。 他们担心： 程序员会不会被替代？ 设计师会不会被替代？ 客服会不会被替代？ 白领工作会不会大量消失？ 这种想象看起来很激进。 但从历史尺度看，它依然停留在工业时代的自动化思维里： 用机器替代人的劳动。 而 AI 真正可能改变的，是比劳动替代更深层的东西： 它可能改变人类文明组织认知和协作的方式。 ⸻ 一、自动化想象，本质上仍然把 AI 看成机器 工业革命之后，人类形成了一套非常稳定的技术想象： 机器负责执行。 于是： 蒸汽机替代体力； 机器人替代重复劳动； 软件替代人工流程。 所以面对 AI，人们自然套用这个模型： “AI 会不会成为一个数字机器人？” 这个方向没有错。 AI 确实会自动化大量任务。 但问题在于： 人类社会最重要的生产活动，并不只是执行。 大量价值产生于： 定义问题； 理解需求； 建立共识； 设计方案； 协调复杂系统。 这些过去被认为属于“人的领域”。 而 AI 进入的，恰恰是这里。 ⸻ 二、替代工作只是表层，重构协作才是深层 假设未来 AI 可以替代一个程序员。 很多人想象的是： 一个程序员失业。 但更大的变化可能是： 一个普通人拥有了一个软件研发团队。 过去： 一个想法 → 找产品经理 → 找设计师 → 找工程师 → 沟通 → 修改 → 上线。 中间大量成本消耗在： 理解。 未来： 一个人提出目标。 AI 帮助拆解需求； 生成方案； 编写代码； 测试验证； 根据反馈迭代。 变化不是： “一个程序员变成零个程序员”。 而是： “一个人的认知杠杆扩大了几十倍。” ⸻ 三、人类文明最大的瓶颈，一直是认知协作 人类很早就拥有大量聪明人。 但为什么文明发展速度有限？ 因为一个人的智慧，很难低成本传递给另一个人。 牛顿的思想需要文字传播。 爱因斯坦的理论需要数学体系。 企业里的战略，需要会议、文档、培训。 所有这些，本质都是： 把一个人的内部模型复制到另一个人的大脑。 但复制效率非常低。 语言会丢失信息。 文字缺少上下文。 会议依赖人的注意力。 组织规模越大，理解损耗越严重。 ⸻ 四、AI 可能成为文明的认知压缩层 未来 AI 的核心角色，可能类似一种“认知编译器”。 它可以： 把专家语言转换成普通语言； 把模糊想法转换成执行方案； 把不同领域知识连接起来； 帮助不同人的世界模型对齐。 它解决的是： 人与人之间的信息损耗。 这比单纯自动化一个岗位影响更大。 因为文明增长的速度，本质取决于： 多少个高质量想法，可以快速连接、验证、传播。 ⸻ 五、AI 最大的影响可能是提升普通人的上限 工业时代最大的变化： 机器增强人的力量。 互联网时代最大的变化： 网络增强人的信息获取。 AI 时代可能是： 智能增强人的认知。 未来竞争的单位可能发生变化。 过去： 一个优秀员工。 未来： 一个人 + AI 协作系统。 一个普通人，如果拥有： 高质量问题定义能力； AI 使用能力； 快速学习能力； 可能达到过去一个小团队的产出水平。 ⸻ 六、所以“AI 替代人类工作”仍然是一种保守预测 因为它默认： 人类社会结构保持不变。 只是其中一些岗位被机器取代。 但真正的技术革命，往往会改变问题本身。 电力出现之后，不只是替代蒸汽机。 互联网出现之后，不只是替代传真。 AI 出现之后，也不会只是替代键盘劳动。 它可能重新定义： 什么是组织； 什么是专业能力； 什么是个人生产力； 什么是创造。 ⸻ 人们认为 AI 最大的冲击是： “机器开始像人一样工作。” 但更深层的可能是： “人类开始通过机器形成新的协作方式。” 前者改变就业结构。 后者改变文明结构。 所以，即使接受“AI 会替代大量工作”这个最激进的大众想象，它依然可能低估了 AI。 因为它看到的是： AI 替代人。 而未来更可能发生的是： AI 改变人的定义。

第六次国运窗口：2026年，普通人翻身的最后机会 过去四十多年，中国普通人曾迎来五次改变命运的重大窗口： 1978年胆量红利——敢摆摊就能成为万元户； 1984年产能红利——下海经商、买房置业就能致富； 1992年体制外红利——抓住市场化浪潮； 1998年信息红利——互联网萌芽期掘金； 2012年流量红利——玩转手机和自媒体即可赚钱。 很多普通人因各种原因与前五次机会擦肩而过。 而第六次国运窗口，已悄然开启，核心时间节点直指2026年，其名称叫做——超级个体红利。 超级个体红利的本质 这一次的核心驱动力是人工智能（AI）。AI正像当年的水、电、煤一样，成为社会的基础设施，正在全面重塑生产规则和商业模式。它不再是高科技精英的专属，而是普通人也能轻松掌握的“超级杠杆”。 过去创业需要资金、团队、技术和背景，而现在，你只需要一台能联网的设备，就能把自己的特长、经验和兴趣，转化为内容、产品或服务，实现“一个人活成一家公司”。 这次机会的三大显著特点 第一，门槛史上最低不需要学历、不需要启动资金、不需要人脉，甚至不需要高深技术。AI可以帮你写文案、剪视频、做设计、写代码、数据分析、客服运营，几乎覆盖所有环节。 第二，覆盖面史上最广不限人群、不限行业。无论你是老师、宝妈、厨师、设计师、司机还是普通打工人，都能在AI的帮助下找到属于自己的切入点。全人群、全产业覆盖。 第三，杠杆效应最强一个人搭配AI工具，就能达到过去一个小团队的产出效率。你可以同时创作、开发、销售、运营，实现低成本、高效率的规模化发展。 普通人如何抓住这次机会？ 内容赛道：用AI把专业知识、人生经验、生活技能转化为短视频、图文、课程或直播。AI帮你优化脚本、生成图片、剪辑视频，大幅降低创作门槛。 产品赛道：开发数字产品，如AI提示词模板、工作流工具、电子书、设计模板等，也可将实体产品智能化升级。 服务赛道：借助AI提升个性化服务效率，例如在线咨询、教学、设计、翻译等。 平台布局：在抖音、小红书、视频号、B站及海外平台多阵地运营，建立个人IP，形成多元收入。 关键不在于你现在拥有多少资源，而在于你是否愿意立即开始行动，学习与AI协作，成为“AI增强型个体”。 现在行动，就是最好的布局 2026年不是终点，而是超级个体时代的真正起点。那些从现在就开始研究AI工具、积累个人知识体系、持续输出价值的人，将在未来3-5年内实现阶层跃迁。 抓住2026，就是抓住普通人站在时代风口的最后重大机会。

黄仁勋最近的一段话，点醒了很多人。 前三次工业革命，淘汰的几乎都是“重复劳力”： 1790年，纺织机出现，几十万纺纱女工被机器取代； 1920年，汽车普及，马车夫一夜之间失业； 2012年，数码时代到来，Kodak轰然倒下，12万员工离开工厂。 而第四次工业革命，AI开始淘汰的，是“重复脑力”。 录入员、编辑、跟单员、基础设计师、初级金融分析师……那些高度标准化、流程化、可复制的白领工作，正在像当年的流水线工人一样，被算法吞没。 很多人直到今天还没意识到： AI最先替代的，不是体力劳动，而是“像机器一样思考的人”。 就在昨天，黄仁勋在Carnegie Mellon University演讲时，反而给年轻人指出了一条“旧路”： 电工、水管工、技师、建筑工人、钢铁工人……这些曾被很多人看不起的职业，正在重新变得珍贵。 因为AI会写代码，却不会爬进漏水的地下管道； 会生成PPT，却修不好烧掉的配电箱； 能写出一万份商业计划书，却没办法在零下十度的工地里焊一根钢筋。 与此同时，北京的昌平职业技术学校突然火了。 5月10日开始收简历，很多家长提前一天排队。 有的专业只招30人，却有五六百份简历。 甚至还有穿着人大附、清华附校服的孩子，也在队伍里。 人们忽然发现： 所谓“体面”的白领岗位，可能只是看上去光鲜； 而真正稳定、长期、难被替代的，反而是那些能真正解决现实问题的技能。 航空服务、新能源汽车维修、智能设备运维、通信线路铺设……这些专业听起来不够“高级”，却有超过95%的就业率，很多去向还是国企。 一个月六七千，加五险一金，家里有房，没有高额房租焦虑，日子未必输给那些挤进985、211后，却在大城市里为裁员和房租焦虑的年轻人。 时代正在悄悄翻面。 前几年，所有人都往金融和互联网里挤； 今天，越来越多人开始重新尊重技术工种。 前几年，“职校”是很多家长羞于启齿的词； 如今，好专业却已经开始抢破头。 这并不奇怪。 因为所有的行业，本质上都逃不过周期： 地产如此，股市如此，学历如此，职业也是如此。 当一个赛道被过度追捧时，它往往已经接近拥挤； 而真正的机会，常常藏在人们集体看不起的地方。 更深一层看，人类社会其实从未真正奖励“学历”，而是在奖励“不可替代性”。 过去工业时代，机器替代肌肉； 如今AI时代，算法开始替代大脑里的重复动作。 但那些需要真实世界协作、复杂环境判断、现场经验、人与人信任的工作，反而越来越难被取代。 AI再强，它终究只是住在服务器里的数字幽灵。 而给它铺电网、建机房、做散热、修设备、维护城市运转的，依然是一个个满身烟火气的碳基人类。 技术越发达，人类最后的价值，反而越会回到“真实”本身。

这简直就是WAIC最值得听的演讲。 刚刚进入 2026 年下半年，AI 的进展依然非常快，信息多得让人有点喘不过气来。 在这样的时间节点，再听听阶跃董事长、千里科技董事长印奇 WAIC 在主论坛开幕式上讲他对 AI 发展脉络的理解，还是让我很受启发。 我想写写自己的感触。前奏可能有点长，因为印奇提到说他发现过去 70 年来 AI 技术的发展脉络，呈现出高度的连续性。 恰好这段时间我在看《人工智能简史》，深有感触。记得丘吉尔说过，你能看到多远的过去，就能看到多远的未来。 1 过去 70 年，人工智能一直在解决一个问题：怎么让机器拥有接近人类的通用智能？ 最早影响很大的一条路线是符号主义。基本想法是把人的知识和推理过程写成一套符号与规则。 比如，如果发生 A，就执行 B。满足某几个条件，就可以推出一个结论。 这个思路很好理解。既然人会根据规则推理，那就把规则教给机器。可现实世界太复杂了，规则无法穷举。 后来，机器学习逐渐成为主流。人们不再试图把所有规则一条条写给机器，而是让它自己从数据中寻找规律。 比如给模型看大量猫和狗的图片，经过训练之后，它逐渐能够判断一张新图片里出现的是猫还是狗。 再之后，深度学习和大模型把这条路线推到了新的高度。尤其是过去几年，模型开始拥有比较强的语言理解、内容生成和推理能力。 AI 第一次能够比较自然地和人交流，也能够处理过去很难通过固定规则解决的问题。 顺着这个框架继续往下看，到了 2026 年，大模型其实又走到了一个新的节点。 大家有没有发现，去年国内几家大厂还在争论元宝、千问、豆包这些聊天产品谁能抢到用户入口。 今年，大家争抢的重点已经慢慢变成了 Agent 入口。 因为过去我们使用 AI，主要还是让它回答问题，或者完成一个很短的任务。 现在的 Agent 已经开始处理持续几个小时甚至几十个小时的复杂任务。而且，AI 对于编程语言的驾驭能力也逐步超过人类。 Agent 的条件已经成熟。AI 从模仿人类逐步开始在部分任务上超越人类。 2 还有一个让我恍然大悟的观点，印奇说他发现这些年 AI 的发展过程中，所有的重要里程碑都和语言紧密相关。 维特根斯坦说过：语言的边界，就是世界的边界。大概意思是，人能够理解什么，很大程度取决于语言。 没有语言描述的东西，人就很难思考。比如一个人如果没有颜色的概念，他就很难理解红色。 对 AI 也一样。 如果 AI 只理解自然语言，它主要能进入的就是文字、知识和对话的世界。我们告诉它一件事情，它能够听懂。 我们问它一个问题，它能够回答。这已经非常重要，但它的能力大部分还停留在语言里。 这两年，Agent 能力突飞猛进的原因之一就是因为模型充分掌握了编程语言。 因为代码可以调用 API、读取数据库、操作软件、修改文件、控制系统。 AI 一旦能够理解和生成代码，就相当于拿到了进入整个计算机世界的一把通用钥匙。 这也是为什么过去一两年，模型 Coding 能力如此重要。编程语言会扩展 Agent 的边界。 紧接着，还有一个判断：Agent 肯定会成为未来生产力的最小单元。 过去的软件，其实没有资格成为一个独立的生产单元。Excel 很强，Photoshop 很强，搜索引擎也很强，但它们仍然是工具。 真正理解目标、拆解任务、检查结果的，始终是人。所以过去一个组织里，最小的执行单元通常是一个人或者一个岗位。 Agent 带来的变化，是它开始能够独立跑完一段相对完整的工作闭环。 我们给它一个目标，它可以自己拆解、调用资源、执行操作、检查结果，然后交付成果。 打个比方，过去的软件像车床和传送带，每台机器只能处理一个步骤，需要工人在中间操作和衔接。 Agent 更像一个可以独立接收任务的工作站，原料交给它，它能够自己安排步骤，处理过程中出现的问题，最后交付一个相对完整的产出。 或者这么讲，过去的软件，本质上增强人的能力。而 Agent，会直接成为生产过程的一部分。 一旦 Agent 成为这种基本执行单元，整个生产力的组织方式都会跟着变化。 3 会发生什么变化呢？简单来说，印奇认为会出现新系统、新载体、新网络。我分别讲下自己的理解。 第一个是新的系统。 过去几十年，每次计算平台发生重大变化，操作系统都会随之变化。 PC 时代出现了 Windows 和 macOS，主要负责管理电脑上的硬件、文件和软件。 移动互联网时代出现了 Android 和 iOS，手机上多了摄像头、定位、通知和各种传感器，操作系统需要把这些能力管理起来，再开放给不同的 App。 到了 Agent 时代，操作系统需要管理智能体的身份、权限、记忆和协作等等。 所以演讲里提出了一个公式：智能体能力，等于模型能力 × Agent 操作系统能力。模型像大脑，决定 Agent 能不能理解和思考。 Agent OS 负责把模型和外部世界连接起来，给它提供记忆、工具、数据、权限和运行环境。 这一点我听完还是挺有启发的。从 PC 到移动到 Agent，每一次平台变化，操作系统管理的对象都不一样，这条脉络一拉出来就很清楚。 第二个是新的载体。 相信看到这里，大家就能理解为什么 OpenAI 会做硬件了。 移动互联网时代，手机这样的终端主要负责连接人与数字世界，所有操作都由人来完成。 到了 Agent 时代，终端会重新围绕 Agent 来设计。 比如过去出门旅行，我们需要自己打开地图、查看日程、搜索航班，再分别处理各种信息。 未来 Agent 可能已经知道我们的行程，看到航班延误之后，主动调整后面的安排，并把新的方案告诉我们。这完全是不同的逻辑。 所以这一轮所谓的 AI 硬件，真正要解决的，可能也不是在现有设备上增加一个聊天入口。 大家都在寻找一种更适合智能体长期存在、持续感知和随时行动的载体。 它可能仍然是手机，也可能是耳机、眼镜、汽车或者机器人。 具体最后会长成什么样，现在还很难判断，但可以确定的是，一定会有新的载体出现。 第三个是新的网络。 互联网连接的是人、信息和服务。到了 Agent 时代，还会出现大量智能体之间的连接，也就是 A2A 网络。 最近我就在公司里搭了一个很小的 Agent 局域网，让不同同事的 Agent 可以互相发送任务、同步进度。 比如我的 Agent 发现一个产品问题，可以直接把问题交给研发同事的 Agent，后者分析原因、尝试修复，再把结果发回来。 当然，这套东西现在还很早期。诸如权限怎么管理，传递的信息出了错又该由谁负责，都还没有成熟的答案。 但只要 Agent 能够独立承接任务，它们之间产生连接和协作，就是很自然的结果。一个 Agent 不可能擅长所有事情，它也需要寻找其他 Agent，分配任务，再把结果整合起来。 很有启发。提纲挈领。